hive学习笔记之五：分桶

欢迎访问我的GitHub

https://github.com/zq2599/blog_demos

内容：所有原创文章分类汇总及配套源码，涉及Java、Docker、Kubernetes、DevOPS等；

《hive学习笔记》系列导航

1. 基本数据类型
2. 复杂数据类型
3. 内部表和外部表
4. 分区表
5. 分桶
6. HiveQL基础
7. 内置函数
8. Sqoop
9. 基础UDF
10. 用户自定义聚合函数(UDAF)
11. UDTF

本篇概览

本文是《hive学习笔记》的第五篇，前文学习了分区表，很容易发现分区表的问题：

1. 分区字段的每个值都会创建一个文件夹，值越多文件夹越多；
2. 不合理的分区会导致有的文件夹下数据过多，有的过少；
   此时可以考虑分桶的方式来分解数据集，分桶原理可以参考MR中的HashPartitioner，将指定字段的值做hash后，根据桶的数量确定该记录放在哪个桶中，另外，在join查询和数据取样时，分桶都能提升查询效率；

• 接下来开始实战；

配置

1. 执行以下设置，使得hive根据桶的数量自动调整上一轮reducers数量：

set hive.enforce.bucketing = true;

2. 如果不执行上述设置，您需要自行设置mapred.reduce.tasks参数，以控制reducers数量，本文咱们配置为hive自动调整；

准备数据

接下来先准备外部表t13，往里面添加一些数据，将t13作为后面分桶表的数据源：

1. 表名t13，只有四个字段：

create external table t13 (name string, age int, province string, city string) row format delimited fields terminated by ',' location '/data/external_t13';

2. 创建名为013.txt的文件，内容如下：

tom,11,guangdong,guangzhoujerry,12,guangdong,shenzhentony,13,shanxi,xianjohn,14,shanxi,hanzhong

3. 将013.txt中的四条记录载入t13：

load data local inpath '/home/hadoop/temp/202010/25/013.txt' into table t13;

分桶

1. 创建表t14，指定字段分桶，桶数量为16：

create table t14 (name string, age int, province string, city string) clustered by (province, city) into 16 bucketsrow format delimited fields terminated by ',';

2. 从t13导入数据，注意语法是from t13开始，要用overwrite关键字：

from t13insert overwrite table t14 select name, age, province, city;

3. 导入过程如下图所示，可见reducer数量已被自动调整为桶数量：

4. 导入后，查看hdfs，可见被分为16个文件，(和分区对比一下，分区是不同的文件夹)：

：http://lady.shaoqun.com/a/400666.html